-
公开(公告)号：CN112700370B
公开(公告)日：2023-06-13
申请号：CN202011602987.6
申请日：2020-12-29
Applicant: 南京理工大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种超参数保真与深度先验联合学习的高光谱图像超分辨方法，该方法包括：建立超参数保真模型深度先验正则化的高光谱和多光谱图像融合的变分模型；优化高光谱‑多光谱图像融合变分模型；对模型优化迭代过程进行张量化表示；对变分模型优化的迭代过程进行网络展开，执行优化的迭代过程；使用L1范数作为损失函数，训练网络。本发明具有同时在网络中表示高光谱图像退化模型和数据先验的能力，应用于高光谱‑多光谱图像融合具有优异性能。
-
公开(公告)号：CN114494846A
公开(公告)日：2022-05-13
申请号：CN202111556994.1
申请日：2021-12-18
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于对尺度内卷网络的高光谱图像分类的方法，该方法包括：对原始高光谱数据进行最大最小归一化；构建自适应光谱去噪网络提纯归一化后的数据；构建空间卷积子网络与内卷子网络，并在网络中嵌入Dropblock模块提高网络泛化能力；构建自编码器模块，并将重建损失施加正则化以保持图像原本特征；融合空间卷积子网络与内卷子网络，并同时训练自编码器模块，最终得到分类识别结果。本发明构建的内卷网络更加关注于高光谱数据的光谱特征，并且融合了空间卷积网络以完善模型的空间特征提取能力，同时引入的Dropblock模块更进一步地提高了模型的泛化性，而自编码器模块能够保持重建图像的质量。
-
公开(公告)号：CN114202539A
公开(公告)日：2022-03-18
申请号：CN202111556995.6
申请日：2021-12-18
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于端到端RX的高光谱图像异常检测方法，该方法包括：利用变分自编码对高光谱图像的每个像素点进行特征学习；提取变分自编码网络的隐含层特征作为高光谱像素的特征表示；估计高光谱图像中各像素点特征表示的局部均值和局部协方差矩阵；构建可微分的RX异常检测算法得到异常指数；计算可微分RX结构的反向传播模式；构建基于端到端RX的高光谱异常检测网络结构；融合变分自编码网络和端到端RX的损失函数并训练；输入高光谱图像在训练好的网络并输出异常检测结果。本发明方法具有有效融合VAE网络隐含层特征空间和RX异常特征信息的能力，应用于高光谱图像异常检测任务具有优异性能。
-
公开(公告)号：CN112634167A
公开(公告)日：2021-04-09
申请号：CN202011608483.5
申请日：2020-12-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种全变差协同范数约束迭代投影的高光谱图像滤波方法，该方法包括：将三维的高光谱图像逐波段转化为二维光谱‑像元矩阵；构造线性差分算子计算水平和垂直方向的梯度图像；构造协同范数约束集合，应用投影公式更新对偶变量和潜在图像的主变量；应用奇异值收缩算法更新矩阵低秩约束的辅助变量；判断终止条件决定是否继续迭代。本发明利用全变差协同范数约束高光谱图像的空间维和光谱维的平滑性，利用核范数约束高光谱图像的光谱低秩相关性，主对偶迭代优化求解在滤除图像噪声的同时，有效地保持了图像的空间结构和光谱特性，可以广泛应用于高光谱图像高斯、混合和条带噪声的去除。
-
公开(公告)号：CN119107231A
公开(公告)日：2024-12-10
申请号：CN202411213616.7
申请日：2024-08-30
Applicant: 南京理工大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/098
Abstract: 本发明公开了一种光谱物理退化和深度先验联合学习的光谱超分辨方法，该方法包括：建立深度先验正则和光谱退化物理模型联合学习的彩色图像光谱超分辨的变分模型；采用辅助变量和变量分离算法对变分模型进行优化，得到彩色图像到高光谱图像的图像超分辨变分模型；对变分模型优化的迭代过程进行网络展开，执行优化的网络迭代过程；为潜在空间的高光谱图像和光谱响应函数设计邻近算子；以高光谱图像的重建误差的L2范数和物理退化模型的一致性损失、观测损失作为联合损失函数，训练网络。本发明具有同时在网络中表示高光谱图像的退化模型和数据先验的能力，实现空间和光谱的局部特征和非局部特征的融合，有效增强了光谱和空间特征保真能力。
-
Patent Agency Ranking
公开(公告)号：CN112381144B
公开(公告)日：2022-09-13
申请号：CN202011273501.9
申请日：2020-11-13
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种非欧与欧氏域空谱特征学习的异构深度网络方法，该方法包括：对高光谱图像执行超像素分割并构建像素到超像素的关联矩阵；根据超像素的邻接关系构建邻接矩阵；构建光谱变换子网络对光谱数据进行去冗余；构建超像素级图卷积子网络提取非欧域空谱特征；构建像素级空谱卷积子网络提取欧氏域空谱特征；融合非欧与欧氏域空谱特征并分类；使用交叉熵损失函数训练网络。本发明方法具有同时在欧氏与非欧域中提取高光谱图像空谱特征的能力，应用于高光谱图像监督分类具有优异性能。
-
公开(公告)号：CN112700370A
公开(公告)日：2021-04-23
申请号：CN202011602987.6
申请日：2020-12-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种超参数保真与深度先验联合学习的高光谱图像超分辨方法，该方法包括：建立超参数保真模型深度先验正则化的高光谱和多光谱图像融合的变分模型；优化高光谱‑多光谱图像融合变分模型；对模型优化迭代过程进行张量化表示；对变分模型优化的迭代过程进行网络展开，执行优化的迭代过程；使用L1范数作为损失函数，训练网络。本发明具有同时在网络中表示高光谱图像退化模型和数据先验的能力，应用于高光谱‑多光谱图像融合具有优异性能。
-
公开(公告)号：CN118887311A
公开(公告)日：2024-11-01
申请号：CN202410987750.6
申请日：2024-07-23
Applicant: 南京理工大学
IPC: G06T11/00 , G06V20/10 , G06V10/40 , G06V10/82 , G06V10/74 , G06N3/08 , G06V10/80 , G06N3/0464 , G06N3/048 , G06V10/774
Abstract: 本发明公开了一种轻量化掩膜引导空‑谱自注意力的高光谱图像重建方法，该方法包括：建立波形网络，提取图像不同尺度的特征信息；学习轻量化空‑谱自注意力；学习掩膜注意力，引导网络关注被掩膜遮蔽的信息，提高重建图像的空间保真度；通过亚像素采样策略，提取图像不同尺度的特征；使用L2范数作为损失函数，进行端到端的网络训练。本发明通过在空间维度和光谱维度上分别学习低阶相关性矩阵，减少了空‑谱相关性矩阵的大小，降低了学习空‑谱自注意力的计算量；为了在有限的参数量下，提高模型特征提取的能力，提出波形结构网络，通过多次上下采样，充分提取图像不同尺度上的特征，提高了图像的重建质量。
-
公开(公告)号：CN112634167B
公开(公告)日：2023-09-01
申请号：CN202011608483.5
申请日：2020-12-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种全变差协同范数约束迭代投影的高光谱图像滤波方法，该方法包括：将三维的高光谱图像逐波段转化为二维光谱‑像元矩阵；构造线性差分算子计算水平和垂直方向的梯度图像；构造协同范数约束集合，应用投影公式更新对偶变量和潜在图像的主变量；应用奇异值收缩算法更新矩阵低秩约束的辅助变量；判断终止条件决定是否继续迭代。本发明利用全变差协同范数约束高光谱图像的空间维和光谱维的平滑性，利用核范数约束高光谱图像的光谱低秩相关性，主对偶迭代优化求解在滤除图像噪声的同时，有效地保持了图像的空间结构和光谱特性，可以广泛应用于高光谱图像高斯、混合和条带噪声的去除。
-
公开(公告)号：CN112699929B
公开(公告)日：2022-11-01
申请号：CN202011568917.3
申请日：2020-12-25
Applicant: 南京理工大学
Abstract: 本发明公开了一种多监督递归学习的深度网络多源光谱图像融合方法，包括：采取递归学习，构成递归残差子网络，每个递归残差子网络的输出和输入相加作为下一递归残差子网络的输入；网络由预超分辨模块和融合模块构成，预超分辨模块实现上采样插值的自动学习，预超分辨图像与多光谱图像拼接作为融合模块输入；采取多个递归残差子网络堆叠方法建立预超分辨模块和融合模块；采用多监督学习方式，低层、中间层与高层特征经过拼接与卷积层形成各级中间融合图像；以L1范数和光谱角作为损失函数的两个度量，各级中间融合图像与真实图像建立联合损失函数，进行端对端网络训练。仿真实验结果证明了本发明对于多远光谱图像融合的有效性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
